ICCVAug, 2021

生物质高粱中基因型与表型相互作用的分类和可视化

PDF
TL;DR本文引入了一种简单方法来理解单核苷酸多态性（SNP）或相关 SNP 组，以及它们控制的表型之间的关系。该管道包括训练深度卷积神经网络（CNN）来区分具有参考和各种 SNP 的替代版本的植物图像，然后使用可视化方法来突出显示分类网络的关键。我们展示了深度 CNN 在执行分类任务方面的能力，并展示了这些可视化对 TERRA-REF 门架捕获的生物量高粱的 RGB 图像的效用。我们专注于几个具有已知表型表达的遗传标记，并讨论使用这种方法揭示基因型 x 表型关系的可能性。
single nucleotide polymorphismsdeep convolutional neural networksclassificationvisualization approachesgenotype x phenotype relationships
发现论文，激发创造
  • 多分辨率异常值汇聚用于高粱分类

    本文介绍了利用传感器（如 RGB，热像仪和高光谱相机等）实现自动化高通量植物表型分析的方法，详细介绍了 Sorghum-100 数据集，以及使用动态异常值汇聚方法对该数据集进行对不同品种的作物图像分类的方法。

    Jun, 2021

  • 利用基于无人机的 RGB 图像估算表型特征

    本文提出了一种基于 RGB 相机和无人机的方法，用于估计高精度的高精度的高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度的高精度高精度的高精度高精度高精度高精度的高精度高精度的高精度，包括叶形态分析和叶片分割。

    Jul, 2018

  • 基于生成对抗网络的以植物表型为条件的林业图像合成

    使用遥感数据预测植物现象和表型的主要研究领域，通过生成满足特定表型属性（如冠层绿度）的合成森林图像，进而发展一种基于生成对抗网络（GAN）的方法来合成与植被绿度相关的森林图像，同时预测红度属性，并评估其准确性和完整性。

    Jul, 2023

  • 数和分割高梁头

    本文提出了一种高通量的自动计数和分割高粱中穗（头）的方法，并使用一种新颖的深度卷积神经网络架构来处理图像密度图，以进行计数。最终得到的实例分割模型也产生了可观的结果。

    May, 2019

  • 基于 BioBERT 的生物医学文献中 SNP 特征关联提取

    本文介绍了一种新的 BioBERT-GRU 方法，用于识别单核苷酸多态性（SNP）和特征之间的关联，该方法在 SNPPhenA 数据集上的评估结果表明，相对于以前的机器学习和深度学习方法，该方法表现更好，具有 0.883 的精确度、0.882 的召回率和 0.881 的 F1 分数。

    Aug, 2023

  • 深度 SNP: 基于注意力定位的端到端深度神经网络用于 SNP 阵列基因组数据中的断点检测

    提出了一种名为 Deep SNP 的深度神经网络模型，它基于用于真相集的 SNP 单核苷酸多态性芯片探测数据，用于检测癌症等疾病的复制数变异和基因组突变点。

    Jun, 2018

  • PhenoLinker：利用异构图神经网络进行表型 - 基因链接预测和解释

    PhenoLinker 系统利用异质信息网络和卷积神经网络模型给表型 - 基因关系分配分数，从而解释预测结果，帮助发现新的关联并理解人类基因变异的后果。

    Feb, 2024

  • 深度神经网络预测作物产量

    利用深度神经网络预测作物产量，结果表明环境因素对作物产量的影响大于基因型而且该模型的精确度优于流行的其他预测方法。

    Feb, 2019

  • 从组织病理学图像预测分子表型：乳腺癌中一项转录组范围的表达形态分析

    该研究使用基因特定模型和卷积神经网络从组织形态结构预测肿瘤基因表达及其空间分布，并验证了该方法在乳腺癌中的可行性，为描述肿瘤内异质性提供了可扩展性的方法。

    Sep, 2020

  • 线性遗传规划的表型搜索轨迹网络

    本研究通过可视化遗传编程系统的搜索轨迹作为基于图形的模型，探究基因型和表型空间中的搜索轨迹，特别是通过中性突变，帮助我们更好地理解进化的进展和算法行为。同时，通过量化表型特征，包括其基因型丰度和科尔莫戈洛夫复杂性，我们将这些量化指标与搜索轨迹可视化相连接，并发现更复杂的表型由较少的基因型代表，更难以被发现，而较简单的表型则被更多的基因型代表，更容易被发现，并经常被用作进化的垫脚石。

    Nov, 2022